GraD-IBD: 基于诊断轨迹的图表示学习用于炎症性肠病早期检测
人工智能
2026-05-28 v1 信号处理
摘要
国际疾病分类(ICD)是一种全球公认的编码系统,用于记录每次患者就诊时的诊断事件,为各种临床任务提供了标准化的数据基础。然而,ICD编码序列的不规则性和层次性给基于N维网格的序列建模方法带来了挑战,导致模型设计过于复杂。在本文中,我们提出了GraD-IBD,一种图诊断模型,该模型将纵向ICD轨迹重新构建为按就诊分桶的、时间有向图,以检测炎症性肠病(IBD)的风险。我们开发了一种新颖的上下文感知、时间衰减消息传递机制,用于捕获时间依赖性,同时降低模型复杂度。使用真实世界临床数据集的实验结果表明,与最先进的方法相比,该方法在IBD检测方面取得了持续且稳健的改进,并且与序列模型相比,计算复杂度显著降低。这些发现凸显了图表示学习在利用纵向ICD诊断代码实现高效、可扩展且准确的疾病风险预测方面的潜力。
引用
@article{arxiv.2605.27799,
title = {GraD-IBD: Graph Representation Learning from Diagnosis Trajectories for Early Detection of Inflammatory Bowel Disease},
author = {Leo Y. Li-Han and Ellen L. Larson and Elizabeth B. Habermann and Cornelius A. Thiels and Hojjat Salehinejad},
journal= {arXiv preprint arXiv:2605.27799},
year = {2026}
}